吴恩达深度学习第4课 3.5：边界框预测

视频封面

视频元信息

系列：吴恩达深度学习专项课程 · 卷积神经网络（CNN）· 目标检测
课程编号：p135 / 30 - 3.5

内容摘要（TL;DR）

本视频讲解如何让目标检测输出更精确的边界框，核心是 YOLO（You Only Look Once）算法：将图像划分为网格，对每个网格单元应用图像分类与定位算法，输出 8 维标签向量（PC、BX、BY、BH、BW、C1、C2、C3）。采用卷积实现共享计算，速度极快，可支持实时检测。视频还详细讲解了边界框坐标的编码方式。

一、滑动窗口的局限：边界框不够精确 [00:00]

上一节学到的滑动窗口的卷积实现虽然计算效率更高，但存在一个问题：

它无法输出最精确的边界框。

滑动窗口只是在预设的一组位置上跑分类器，这些位置之间的间隔由步幅决定。
结果就是：没有一个框能完美匹配汽车的真实位置，只能选一个"最接近"的框。
真实标注（ground truth）中的完美边界框甚至不是正方形——它往往是一个略宽的矩形，具有横向的宽高比。

理解：滑动窗口的问题本质在于"离散采样"——框的位置和长宽比都被限制在有限的候选集合里，无法自由回归出任意形状的框。

核心问题：有没有办法让算法输出更精确的边界框？

二、YOLO 算法概述 [00:54]

YOLO = You Only Look Once（你只看一次）

考点：YOLO 的提出者 —— Joseph Redmon、Santosh Divvala、Ross Girshick、Ali Farhadi。这是一个常被考查的知识点。

基本思路：把图像划分成网格，对每个网格单元应用之前学过的图像分类与定位算法。

示例中假设输入图像为 100×100。
为便于讲解，使用 3×3 网格；实际实现中会用更细的网格，比如 19×19。

三、标签定义：8 维向量 Y [02:03]

对每个网格单元，定义一个 8 维标签向量 Y：

分量	含义
PC	该网格单元中是否有目标（0 或 1）
BX, BY	目标中心点相对网格单元的坐标
BH, BW	边界框的高度、宽度（相对网格单元）
C1, C2, C3	类别标签（行人、汽车、摩托车）

易错点：类别数不含背景类。 视频中识别 3 类目标（行人、汽车、摩托车）+ 背景类，但 C1、C2、C3 只对应这 3 个前景类，背景通过 PC=0 表示，不单独占一个类别分量。

网格单元的标注规则

左上角网格：没有目标 → Y = [0, ?, ?, ?, ?, ?, ?, ?]，PC=0，其余为 don't care。
中间网格：虽然覆盖了两辆车的一部分，但两辆车的中心点都不在它里面 → 同样视为无目标，PC=0。
左侧绿色圈出的网格：包含左车的中心点 → PC=1，写入 BX、BY、BH、BW，类别为汽车 → [1, BX, BY, BH, BW, 0, 1, 0]。
右侧网格：包含右车的中心点 → 同样有完整标签。

关键规则：

考点：目标归属规则 —— YOLO 取每个目标的中心点（midpoint），将目标分配给包含该中心点的那个网格单元。即使目标跨越多个网格，也只归属到一个网格。

四、输出体积与网络训练 [04:58]

3×3 网格，每个网格一个 8 维向量 → 总输出体积为 3×3×8。
输出体积中每个 1×1×8 的位置，对应一个网格单元的 8 维目标向量。
没有目标的网格，其向量为 don't care。

训练过程：

输入：100×100×3 的图像 X。
网络：常规 CNN，包含卷积层、最大池化层等，最终映射到 3×3×8 的输出体积。
目标标签：Y 为 3×3×8 的体积。
使用反向传播训练网络，学习从输入 X 到输出体积 Y 的映射。

理解：这本质上是一个"多任务学习"——每个网格单元同时做三件事：判断有无目标（二分类）、回归边界框坐标（回归）、分类目标类别（多分类）。

五、测试阶段的推理 [07:07]

测试时：

输入图像 X，前向传播得到输出 Y（3×3×8）。
对 3×3 的每个位置，读取输出：
- 该位置是否有目标？（读 PC）
- 如果有，是什么类别？（读 C1、C2、C3）
- 该网格内目标的边界框是什么？（读 BX、BY、BH、BW）

前提假设：每个网格单元中最多只有一个目标。 如果网格单元中有多个目标，算法会出问题——这个问题后续视频会处理。

六、更细的网格：19×19 [07:49]

实际使用中，采用更细的网格，如 19×19：

输出体积变为 19×19×8。
网格更细 → 多个目标落入同一网格单元的概率更小。
再次强调：目标按中心点归属网格，每个目标只分配给一个网格单元。

思考：网格越细，定位精度越高，但计算量也越大，且每个网格单元的训练样本可能变得不均衡（大量无目标的网格）。这是实际工程中需要权衡的点。

七、YOLO 的两大优势 [08:42]

优势一：可输出任意宽高比的精确边界框

类似图像分类与定位算法，显式输出边界框坐标。
不受滑动窗口步幅限制，可输出任意宽高比的框，坐标更精确。

优势二：卷积实现，计算共享，速度极快

考点：YOLO 是单次卷积实现，不是对每个网格单独跑算法。

不是在三三得九的网格上跑 9 次算法，也不是在 19×19 网格上跑 361 次。
而是一次卷积实现，所有网格单元的计算共享大量计算量。
因此运行速度非常快，可用于实时目标检测。

八、边界框编码方式（BX, BY, BH, BW）[10:16]

以右侧汽车所在的网格单元为例，讲解坐标编码。

约定：

网格单元左上角为 (0, 0)。
网格单元右下角为 (1, 1)。

各参数含义：

参数	含义	取值范围
BX	中心点 x 坐标（相对网格单元）	0 到 1 之间
BY	中心点 y 坐标（相对网格单元）	0 到 1 之间
BH	边界框高度（相对网格单元高度）	可大于 1
BW	边界框宽度（相对网格单元宽度）	可大于 1

示例中：BX ≈ 0.4，BY ≈ 0.3，BW ≈ 0.9，BH ≈ 0.5。

易错点：BX、BY 必须在 0 到 1 之间。 因为按定义，中心点必然落在该网格单元内；若中心点超出边界，它就会被分配给相邻的网格单元。

但 BH、BW 可以大于 1。 当边界框超出网格单元范围时（例如一个很大的目标），其高度或宽度相对于网格单元的比例就会超过 1。

更高级的参数化方式【拓展】

考点：YOLO 论文中还有其他参数化方式，效果更好。

视频提到，YOLO 研究论文中还有更复杂的参数化方法：

使用 Sigmoid 函数确保 BX、BY 落在 0 到 1 之间。
使用 指数参数化（exponential parameterization） 确保 BH、BW 非负（≥ 0）。

理解：直接回归坐标容易出现数值不稳定或越界，用 Sigmoid/指数变换可以把输出约束到合法范围，这是目标检测中坐标回归的常见技巧。

不过视频中讲解的简单编码方式已经足够合理、可以正常工作。

九、关于 YOLO 论文的阅读建议 [13:30]

重要提醒：YOLO 论文是较难读的论文之一。

吴恩达老师分享了自己的亲身经历：

第一次读 YOLO 论文时，非常难理解。
甚至请了几位非常优秀的研究员朋友帮忙，他们理解某些细节也很吃力。
所以如果读论文时感到困难，这是正常的，不必气馁。

思考：读论文遇到困难是常态，即使是资深研究者也需要借助开源代码、联系作者等方式来理解细节。这是一个很实用的心态建设。

关键标签 / 关键词

YOLO #YouOnlyLookOnce #目标检测 #边界框预测 #BoundingBox #滑动窗口 #图像分类与定位 #网格划分 #8维标签向量 #PC #BX #BY #BH #BW #卷积实现 #实时检测 #吴恩达深度学习 #CNN #JosephRedmon #Sigmoid #参数化